AI双视角：行业捕获率与价值创造率

敬请参阅最后一页特别声明 1 基本内容： 在此前的《AI 洪流三部曲》中，我们尝试给出了 AI 技术所影响的劳动力规模以及对应的薪资水平；但在理解潜在收入上限时依然缺少关键一环，即 AI 技术的增效水平，进而量化潜在可代替的支出水平。除此之外，行业视角下捕获率的高低也越发关键，尤其是当 AI 收入焦点从单一的 Coding 转向科研（AI4S）、办公场景、文娱传媒等更广泛领域。 AI 技术捕获率与价值创造率实际上是站在不同视角看待技术发展：对于模型商而言，捕获率决定着未来的潜在收入水平；对于使用 AI 的企业而言，价值创造率决定着 AI 在纯替代视角下能享受的降本增效水平。前者对应着短期的市场景气度和硬件侧的交易空间，而后者则对应着更长期的数据中心回报率和模型收入能力。 不同行业的捕获率差异巨大，计算机行业不到 10%，金融行业不到 2%；AI 平均增效约 7 倍，计算机行业享受约四分之一的“价值创造”。 在数据允许的情况下，未来有三个非常重要的观察视角。 首先是价值创造水平，因为当前 AI 产业自证需要的是可量化的收入，但是大量的福利通过消费者剩余的方式被 AI 使用者所享受，如何定量这些水平，而非简单盯住 ARR 和硬件订单，会成为从硬件交易向软件/应用过渡的重要参考。 其次是薪资水平的参考尺度，尽管在短期尺度 AI 在大多数行业依然是替代型技术，但是现代社会的多任务属性决定着劳动力薪资或许并不是当前 AI 收入的主要来源，换言之对于 AI 的劳动力冲击可以相对乐观一些。 最后是研究方法的缺乏，如果 AI 真的用以创造，那 BLS 视角下的 755 个职业，以及背后对应的数千个任务属性是否能够准确描述 AI 在当前社会正在做什么？如果越来越多的任务被划归为“无法定义”，如果 AI 成为一个多模态，多任务并行处理的工具，我们讨论的就不仅仅是某个职业或者某个行业。 金融、计算机、文娱传媒与科学研究完全可以在某个时间被 AI 所融合，这或许才是未来软件应用所追求的方向：上限不是单一行业的单一薪资，而是全社会的总价值创造能力。 风险提示 1）宏观经济数据频率较低，对于跨境行业数据估计存在滞后性；2）美国产业政策受党派影响明显，执政党派的更换可能引发产业政策回溯；3）AI 技术发展与产业投资存在较大不确定性。 宏观经济点评 敬请参阅最后一页特别声明 2 扫码获取更多服务 内容目录 风险提示 ....................................................................................... 9 图表目录 图 1：不同行业的理论暴露度与实际暴露度 ......................................................... 3 图 2：任务加权下的行业使用率占比 ............................................................... 4 图 3：实际捕获率水平方差较大 ................................................................... 4 图 4：总潜在捕获收入约 4000 亿美元 .............................................................. 5 图 5：行业视角下，AI 技术平均增效 7 倍 ........................................................... 6 图 6：职业视角下，AI 增效倍率前二十名 ........................................................... 6 图 7：计算机行业享受约四分之一的“价值创造” ...................................................... 7 图 8：从价值创造/使用率的角度，各行业基本匹配 .................................................. 8 图 9：AI 场景中所观察到的多任务情景比例 ......................................................... 9 宏观经济点评 敬请参阅最后一页特别声明 3 扫码获取更多服务 在此前的《AI 洪流三部曲》中，我们尝试给出了 AI 技术所影响的劳动力规模以及对应的薪资水平；但在理解潜在收入上限时依然缺少关键一环，即 AI 技术的增效水平，进而量化潜在可代替的支出水平。除此之外，行业视角下捕获率的高低也越发关键，尤其是当 AI 收入焦点从单一的 Coding 转向科研（AI4S）、办公场景、文娱传媒等更广泛领域。 AI 技术捕获率与价值创造率实际上是站在不同视角看待技术发展：对于模型商而言，捕获率决定着未来的潜在收入水平；对于使用 AI 的企业而言，价值创造率决定着 AI 在纯替代视角下能享受的降本增效水平。前者对应着短期的市场景气度和硬件侧的交易空间，而后者则对应着更长期的数据中心回报率和模型收入能力。 尤其是最近的 Muse 应用可能采用“抽成”的商业模式（类似瓦特改良蒸汽机的收入来自于煤炭节约量的三分之一），可以理解为在当前这个 Agent 模态下进行技术改良，这也更加说明理解“AI 效率提升”的重要性。 我们根据 Anthropic 的公开数据，重新构造了美国全量职业视角下的 AI 维度，补充了职业/行业视角下 AI 的增效倍率、AI 技术所创造的价值分布以及不同行业的捕获率水平——这三个关键计算结果。由于数据有限，以及统计口径的原因，在部分指标估算中存在较大偏离，在第三部分我们将进行充分讨论。 一、不同行业的捕获率差异巨大，计算机行业不到 10%，金融行业不到 2% 计算即时捕获率，以及不同行业潜在空间的计算方法并不复杂：只需要用 ARR 收入乘不同行业使用率作为行业实际收入贡献，将结果与实际暴露度下对应的薪资总数对比，即可得到行业视角下捕获率的近似描述。 然而，该方法的难点在于 Token 消耗量的行业分布数据（以及对应价格）难以挖掘；我们只能找到 Anthropic 公布的“以任务次数调用”统计的使用率数据。这意味着一次计算机行业任务与餐饮服务业任务调用含有相等权重，但现实情况是计算机行业单次任务消耗的 Token 或是其他行业的数十倍。由于这种有偏对应(只能用“调用次数”而不是“消耗 token 数”来代表 AI 收入)，导致部分行业（例如金融业）的捕获率可能偏低。 首先，我们“再次”展示截止到 2026 年 3 月（最后的数据更新月份），行业视角下的实际技术暴露度与理论技术暴露度水平。理论上最有可能被 AI 替代的行业是计算机与数学(87.6%）、商业与金融（78.2%）以及法律(78.0%），但实际观察到的暴露度排序与理论值并不一致，实际暴露度最高的行业是计算机与数学